SIMULATION DE LOIS - SOMMAIRE -
|
|
- Mathieu Ernest Larochelle
- il y a 8 ans
- Total affichages :
Transcription
1 Christine HEINEMANN ECE 2 - Lycée Henri IV - Paris Formation en ligne à Scilab - Séance enregistrée le 11 mars 2014 à HEC Paris SIMULATION DE LOIS - SOMMAIRE - PREMIERS PAS : SIMULATIONS CLASSIQUES ET REPRÉSENTATIONS SCILAB 1 Quelques remarques générales 1 rand grand Quelques remarques sur la définition des fonctions Quelques remarques sur la définition des vecteurs tabul, bar, plot2d histplot Tracé des fonctions de répartition empiriques Exemple 1 : loi binomiale Exemple 2 : loi normale centrée réduite Simulations classiques 6 Loi uniforme discrète sur [[n1, n2] Avec plot2d Avec bar Loi uniforme sur [a, b[ Application aux douze uniformes Principe et code associé - comparaison avec grand Comparaison avec Box-Müller Loi binomiale Simulation Illustration du Théorème Limite Central Loi de Poisson via grand Simulation Illustration du Théorème Limite Central Loi géométrique Loi binomiale négative LA MÉTHODE D INVERSION 19 Variables discrètes 19 Variables aléatoires finies Loi de Bernoulli de paramètre p ]0, 1[ Loi binomiale de paramètres (n, p), p ]0, 1[ et n N Comparaison en termes de temps de calcul avec l algorithme ESSEC 2006 E Variables aléatoires discrètes infinies
2 Loi géométrique Loi de Poisson Variables à densité 25 Loi exponentielle de paramètre λ Simulation Application à la simulation d une loi géométrique Application à la simulation d une loi de Poisson Loi de Laplace (standard) Loi logistique (standard) Loi de Pareto (générale) Loi de Cauchy (standard) Simulation Mise en évidence de la non existence de l espérance LA MÉTHODE DU REJET 32 Introduction : simulation d une loi uniforme sur le disque unité 32 Cas d une densité à support compact et majorée 34 Exemple : loi beta de paramètres (a, b) [1, + [ 2 via la méthode du rejet Quelques autres méthodes de simulation de la loi beta Via l algorithme de Jönk Via les statistiques d ordre Via un résultat de convergence - ESSEC 2004 E Extension aux densités à support non compact 39 Application à la simulation de la loi normale via la loi de Laplace Application à la simulation des lois Gamma Application : loi du χ 2 à n degrés de liberté via différentes méthodes Par la méthode du rejet Par la loi normale Par un résultat de convergence
3 SIMULATION DE LOIS I - PREMIERS PAS : SIMULATIONS CLASSIQUES ET REPRÉSENTATIONS SCILAB A. Quelques remarques générales 1) rand rand() est l équivalent de random en Turbo-Pascal. Il est possible de réinitialiser l état interne du générateur aléatoire (spécifié par un entier de l intervalle [0, ])) ; s=rand("seed") renvoie la valeur courante de la graine. À graine fixée, rand() fournira toujours la même série de valeurs : essayer par exemple avec N=20 A=zeros(N,5) rand("seed",0) for i=1:n A(i,:)=rand(5); disp(a) Cela peut être utile dans le but de pouvoir obtenir des simulations reproductibles (par défaut la graine est initialisée à s=0 au premier appel, la séquence sera toujours la même d une session à l autre) Si l on souhaite des séquences moins prévisibles, on peut initialiser la graine avec getdate, qui renvoie la date en secondes écoulées depuis le 1er Janvier et change donc toutes les secondes s=getdate("s") rand("seed",s) disp(rand()) (on constate que si on va très vite, les valeurs de rand() ne changent pas...) for i=1:5 s=getdate("s") rand("seed",s) disp(rand()) Quelques options : r=rand(n1,n2,..,nk) renvoie une matrice aléatoire de dimensions n1 n2... nk. En particulier, r=rand(n1,n2) renvoie une matrice aléatoire de dimensions n1 n2. Pour un vecteur, il faut spécifier ligne ou colonne : r=rand(1,n2) ou r=rand(n1,1) ( r=rand(a) renvoie une matrice aléatoire de même taille que la matrice A donc si on entre r=rand(n1) on obtient exactement le même résultat que r=rand()...) rand("uniform") : la loi par défaut est la loi uniforme sur [0, 1]. rand("normal") : la loi par défaut est la loi normale centrée réduite. 1/43
4 Le générateur de nombres aléatoires uniform est de type Urand (Universal Random Number Generator). a = C est un générateur linéaire à congruence de la forme x = (ax + c) mod M avec c = M = 2 31 Le générateur de nombres aléatoires normal est obtenu par la méthode de Box-Müller (la source de nombres uniformes étant toujours Urand). 2) grand La fonction grand dispose de générateurs aléatoires produisant des séquences de nombres qui possèdent de meilleures qualités statistiques que rand. Par conséquent, dans les situations où la qualité statistique des séquences de nombres aléatoires est importante, il vaut mieux utiliser la fonction grand. Cette fonction dispose par ailleurs de fonctionnalités très variées dont voici les plus classiques (les instructions ci-dessous renvoient une matrice de taille N M de valeurs obtenues selon la loi choisie) : X=grand(N,M,"uin",n1,n2) simule une variable aléatoire suivant la loi uniforme sur [n1, n2] ; X=grand(N,M,"bin",n,p) simule une variable aléatoire suivant la binomiale de paramètres (n, p) ; X=grand(N,M,"nbn",r,p) simule une variable aléatoire suivant la binomiale négative de paramètres (r, p) ; X=grand(N,M,"geom",p) simule une variable aléatoire suivant la loi géométrique de paramètre p ; X=grand(N,M,"poi",lambda) simule une variable aléatoire suivant la loi Poisson de paramètre λ ; X=grand(N,M,"def") simule une variable aléatoire suivant la loi uniforme sur [0, 1[ ; X=grand(N,M,"unf",a,b) simule une variable aléatoire suivant la loi uniforme sur [a, b[ ; X=grand(N,M,"exp",1/lambda) simule une variable aléatoire suivant la exponentielle de paramètre λ ; X=grand(N,M,"gam",nu,1/b) simule une variable aléatoire suivant la loi gamma de paramètres (b, ν) ; X=grand(N,M,"bet",a,b) simule une variable aléatoire suivant la loi beta de paramètres (a, b) ; X=grand(N,M,"nor",m,sigma) simule une variable aléatoire suivant la loi normale de paramètres (m, σ 2 ). X=grand(N,M,"chi",n) simule une variable aléatoire suivant la loi du chi-2 à n degrés de liberté ; Pour initialiser la graine avec getdate : s=getdate("s"); grand("setsd",s) À noter aussi : X=grand(n,"prm",U) génère n permutations aléatoires d un vecteur colonne U. Exemple : U=[1:10] X=grand(5,"prm",U) disp(x) 3) Quelques remarques sur la définition des fonctions On utilisera ici soit deff(...,... ) soit function... function, avec des opérations pointées. Pour plus d options, voir le document pdf d Hervé Chabert (séance E2) p9. 2/43
5 4) Quelques remarques sur la définition des vecteurs Pour des vecteurs espacés régulièrement : x=1:n ou x=[1:n] (avec n N ) crée le vecteur ligne (1, 2,..., n) (c est ce dont on se sert dans les boucles for). Pour un vecteur colonne, il faudra écrire x=[1:n]. Remarque : si a est un réel, x=1:a sort le vecteur ligne (1,..., a ) si a 1 (et le vecteur ligne vide si a < 1). Si on souhaite des espacements non entiers : x=1:eps:n où eps désigne le pas (il n est pas nécessaire que cela tombe juste : par exemple, x=1:0.3:2 donnera le vecteur (1, 1.3, 1.6, 1.9). Cela peut aussi servir à obtenir des vecteurs à composantes décroissantes : par exemple, x=n:-1:1 donnera le vecteur (n, n 1,..., 1) et x=1:-0.25:0 le vecteur (1, 0.75, 0.5, 0.25, 0)... Autre option : linspace. Par défaut, le nombre de valeurs est 100. Par exemple, x=linspace(1,1.99) créera un vecteur x de composantes 1, 1.01, 1.02,...,1.99. Sinon, on peut préciser (en dernier argument) le nombre de composantes de x : par exemple, x=linspace(1,2,5) créera le vecteur (1, 1.25, 1.5, 1.75, 2). Pour obtenir des vecteurs colonnes, il suffit de rajouter un prime derrière la parenthèse. Cela marche aussi pour des décomposantes décroissantes : x=linspace(1,-1,3) créera le vecteur (1, 0, 1). La première méthode crée ainsi des vecteurs correspondant à des classes de largeur fixée ; leur nombre dépra des valeurs minimale et maximale du vecteur, et il est possible que la valeur maximale ne soit pas atteinte (si cela ne tombe pas juste). La seconde méthode crée des vecteurs à nombre de classes fixé. Ces classes seront toutes d une même largeur, déterminée par les valeurs minimale et maximale du vecteur, qui correspondront respectivement à la première et à la dernière composante du vecteur. 5) tabul, bar, plot2d3 si x est un vecteur ou une matrice, tabul(x) est une matrice à deux colonnes, la première contenant les valeurs prises par les composantes de x rangées dans l ordre décroissant (ordre par défaut) et la seconde colonne contenant le nombre d occurrences de chaque valeur ; tabul(x, "i") est construit sur le même principe, mais avec les valeurs rangées dans l ordre croissant (i pour increase). Pour obtenir un diagramme en bâtons, il suffit d écrire le code y = tabul(x,"i"); puis bar(y(:,1), y(:,2)/n); ou plot2d3(y(:,1), y(:,2)/n); (où N est le nombre de composantes de x : N=length(x) ). bar trace un diagramme en bâtons de largeur par défaut 0, 8 (1 étant la largeur maximale autorisée, i.e. la distance minimale entre deux valeurs reportées dans l histogramme). On peut changer cette largeur en rajoutant width=... On peut également changer la couleur (avec color et non style ici). plot2d3 fonctionne comme plot2d (mêmes possibilités d options) mais trace les courbes avec des barres verticales. 6) histplot On suppose les données regroupées dans un vecteur (ou une matrice) y. Deux options principales : histplot(x,y) et histplot(n,y) (n N ). histplot(x,y) : x est un vecteur aux composantes strictement croissantes définissant les classes. histplot(n,y) : n désigne le nombre de classes. Les classes sont équiréparties entre a = min(y) et b = max(y), ce qui revirait à écrire histplot(x,y) ( ) avec x le vecteur à n + 1 composantes défini par b a pour tout k [1, n + 1], x(k) = a + (k 1) (les vecteurs et matrices en Scilab commencent n toujours à 1). La première classe est alors [x(1), x(2)] et les suivantes ]x(i), x(i + 1)] (i [2, n]). On peut rajouter des options de couleur, tracé, normalisation, etc. (les mêmes que pour plot2d). Par exemple, histplot(x,y,style=5,rect=[-1,0,1,2],normalization=%f) renverra un histogramme tracé en rouge (style 5), la zone de tracé étant le rectangle [ 1, 1] [0, 2], et les valeurs étant non normalisées. Par défaut, les histogrammes sont normalisés (inutile, donc, d écrire normalization=%t), c est-à-dire, si N est le nombre de composantes de y (i.e. le nombre total de données), n est le nombre de classes, et pour tout i [1, n], N i est le nombre de données appartenant à la classe C i, la valeur de l ordonnée correspondant à la classe C i sera, de manière à ce que l aire de l histogramme correspondant N i N(x(i + 1) x(i)) à C i soit égale à N i, et donc que l aire totale soit égale à 1. N 3/43
6 7) Tracé des fonctions de répartition empiriques Voici un code simple permettant de tracer la fonction de répartition empirique correspondant à un échantillon u de données : function Fr_empirique(u) L = length(u) x = gsort(u, g, i ) y = (1:L) /L plot2d2(x, y,style=5, leg="fonction de repartition empirique") function length(u) donne la longueur de u, c est-à-dire son nombre de composantes. gsort avec l option i (il est alors obligatoire de préciser aussi en seconde position l option g qui est sinon par défaut) trie les valeurs de u (via l algorithme quick sort ) par ordre croissant. a) Exemple 1 : loi binomiale : clf;//pour "nettoyer" la fen^etre des figures clc;//pour "nettoyer" la console Scilab N = 10000; n=10,p=0.2 u = grand(n,1,"bin",n,p); function Fr_empirique(u) L = length(u) x = gsort(u, g, i ) y = (1:L) /L plot2d2(x, y,style=5,rect=[-0.5,0,n,1], leg="fonction de repartition empirique") function Fr_empirique(u); a=get("current_axes") ; //pour régler les options des axes a.font_size=1; //taille de la lége sur les axes a.x_location="bottom"; //position de l axe des abscisses a.y_location="origin";//position de l axe des ordonnées 4/43
7 b) Exemple 2 : loi normale centrée réduite : clc;clf; N = 100; u = grand(n,1,"nor",0,1); function Fr_empirique(u) L = length(u) x = gsort(u, g, i ) y = (1:L) /L plot2d2(x, y,style=5, leg="fonction de repartition empirique") function Fr_empirique(u); x = -5:0.1:5 y = cdfnor("pq", x, zeros(x), ones(x)); z=ones(x) plot2d(x, z, style=1) plot2d(x, y, style=1,rect=[-5,0,5,1.2]) a=get("current_axes") ; a.font_size=1; a.x_location="bottom"; a.y_location="middle"; 5/43
8 B. Simulations classiques 1) Loi uniforme discrète sur [n1, n2] a) Avec plot2d3 : n1=-2;n2=11; N=10000; U =grand(1,n,"uin",n1,n2); X = tabul(u,"i"); plot2d3(x(:,1), X(:,2)/N,rect= [-3,0,12,.09],style=2) titre= Loi uniforme discrète sur l intervalle d entiers [n1= +string(n1)+,n2= +string(n2)+ ].. - N= +string(n) xtitle(titre) a=get("current_axes") ; a.font_size=1; a.x_location="bottom"; a.y_location="left"; 6/43
9 b) Avec bar : n1=-2; n2=11; N=10000; U =grand(1,n,"uin",n1,n2); X = tabul(u,"i"); bar(x(:,1), X(:,2)/N,width=0.2) titre= Loi uniforme discrète sur l intervalle d entiers [n1= +string(n1)+,n2= +string(n2)+ ].. - N= +string(n) xtitle(titre) a=get("current_axes") ; a.font_size=1; a.x_location="bottom"; a.y_location="left"; Remarque : il est aussi possible de simuler une uniforme discrète à partir de rand() et floor en remplaçant la ligne U =grand(1,n,"uin",n1,n2); par U =n1+floor((n2-n1+1)*rand(1,n));. 7/43
10 2) Loi uniforme sur [a, b[ a=-2;b=5; N=100000; U=grand(1,N,"unf",a,b);// Autre option : U=(b-a)*rand(1,N)+a; titre= Simulation de loi uniforme continue sur [ +string(a)+, +string(b)+ ] - N= +string(n); histplot(a:0.1:b, U,style=2,rect=[-3,0,6,0.2]) xtitle(titre) a=get("current_axes") ; a.font_size=1; a.x_location="bottom"; a.y_location="left"; Remarque : alternative pour un échantillon de loi uniforme sur [0, 1[ : U=grand(1,N,"def");. 8/43
11 3) Application aux douze uniformes a) Principe et code associé - comparaison avec grand : La variable centrée-réduite associée à U i est U i 6, donc particulièrement simple à écrire, et 12 i=1 i=1 de plus, fournit déjà une bonne approximation de la loi normale centrée réduite. clf; clc ; N=10000; x = [-5 : 0.1 : 5]; y=exp(- (x^2) / 2)./ sqrt( 2 * %pi ) subplot(1,2,1); U=grand(N,12,"def"); z=sum(u, c )-6; plot2d(x, y,rect=[-5,0,5,0.45],style=1) histplot(x, z,style=2) titre= Simulation de loi normale via les douze uniformes (N= +string(n)+ ) xtitle(titre) subplot(1,2,2); z = grand(1,n,"nor", 0, 1); plot2d(x, y,rect=[-5,0,5,0.45]) histplot(x, z,style=5) titre= Simulation de loi de la loi normale centrée réduite avec grand (N= +string(n)+ ) xtitle(titre) 9/43
12 b) Comparaison avec Box-Müller : Principe : Si U et V sont deux variables aléatoires indépantes suivant la loi uniforme sur ]0, 1] alors X = 2 ln U cos(2πv ) suit la loi normale centrée réduite. clf ;clc ; N=10000; x = [-5 : 0.1 : 5]; y=exp(- (x^2) / 2)./ sqrt( 2 * %pi ); subplot(1,2,1); timer(); U=grand(N,12,"def"); z=sum(u, c )-6; t=timer(); plot2d(x, y,rect=[-5,0,5,0.45],style=1) histplot(x, z,style=2) titre= Simulation via les douze uniformes (N= +string(n)+ ) - timer= +string(t) xtitle(titre) subplot(1,2,2); timer(); u=rand(1,n);v=rand(1,n) z = sqrt(-2* log(u)).*cos(2*%pi*v) t=timer(); plot2d(x, y,rect=[-5,0,5,0.45],style=1) histplot(x, z,style=5) titre= Simulation via Box-Müller (N= +string(n)+ ) - timer= +string(t) xtitle(titre) 10/43
13 Le résultat complet étant que Y = 2 ln U sin(2πv ) suit également la loi normale centrée réduite et que de plus, X et Y sont indépantes, on peut s en inspirer pour alléger le code en ne simulant que N uniformes au lieu de 2N : clf ;clc ; N=10000; x = [-5 : 0.1 : 5]; y=exp(- (x^2) / 2)./ sqrt( 2 * %pi ); subplot(1,2,1); timer(); U=grand(N,12,"def"); z=sum(u, c )-6; t=timer(); plot2d(x, y,rect=[-5,0,5,0.45],style=1) histplot(x, z,style=2) titre= Simulation via les douze uniformes (N= +string(n)+ ) - timer= +string(t) xtitle(titre) subplot(1,2,2); timer(); u=rand(1,n/2);v=rand(1,n/2) z = [sqrt(-2* log(u)).*cos(2*%pi*v),sqrt(-2* log(u)).*sin(2*%pi*v)] t=timer(); plot2d(x, y,rect=[-5,0,5,0.45],style=1) histplot(x, z,style=5) titre= Simulation via Box-Müller (N= +string(n)+ ) - timer= +string(t) xtitle(titre) Les deux méthodes semblent assez équivalentes en termes de temps de calcul et de résultats! 11/43
14 4) Loi binomiale a) Simulation : Les boucles for peuvent présenter un certain intérêt lors de l apprentissage de Scilab en première année ; petit à petit, le jeu consistera à apprre à s en passer à chaque fois qu il y aura plus simple... Première version, encore très imprégnée de Turbo-Pascal : clc ;clf; n=10; N=100; p=0.7 // Simulation via Bernoulli subplot(1,3,1) ; function y=bin(n,p)// Fonction simulant une loi binomiale (n,p) y=0; for i=1:n if grand(1,1,"bin",1,p)==1 y=y+1;// Ou bien : if rand()<p function for i=1:n ; x(i)=bin(n,p); z=tabul(x,"i") bar(z(:,1),z(:,2)/n, width =0.2,color="b") xtitle("", "Classes", "Effectifs par classe normalisés") leg( Simulation via Bernoulli ) a = get("current_axes"); a.data_bounds([3 4]) = [0 0.4]; // Simulation via grand subplot(1,3,2) ; x = grand(1,n,"bin", n, p); z=tabul(x,"i") bar(z(:,1),z(:,2)/n,width=0.2,color="r") titre = Loi binomiale de paramètres (n= + string(n)+, p= +string(p)+ )-Echantillon de.. taille N= + string(n); xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via grand ) a = get("current_axes"); a.data_bounds([3 4]) = [0 0.4]; // Distribution théorique subplot(1,3,3) ; function t = triangle_de_pascal(n) tableau = [ones(n,1), eye( n, n)]; for p=2:n for k=2:p tableau(p,k) = tableau(p-1,k) + tableau(p-1, k-1); t = tableau(n,:) // : signifie "toutes les colonnes" function // "k parmi n"" est donné par t(k+1) c = triangle_de_pascal(n);// Calcul des coefficients binomiaux x=0:n; y=zeros(n) for k=x y(k+1) = c(k+1) * (p^k) * (1-p)^(n-k); plot2d3(x, y, rect=[-0.5,0,11,0.4],style=1); xtitle("", "Valeurs de k", "P(X=k)") leg( Distribution théorique ) 12/43
15 Attention à l ordre des instructions dans bar (width avant color). Comme on ne peut pas régler la fenêtre avec bar de la même manière qu avec plot2d3, il est possible de redéfinir après coup les axes avec a = get("current axes"); a.data bounds([3 4]) = [0 0.4]; - pour que les y aillent de 0 à 0.4 ; si on veut redéfinir l échelle des x, il faut prre a = get("current axes"); a.data bounds([1 2]) = [......]; et pour redéfinir l ensemble : a = get("current axes"); a.data bounds= [ ]; Variante pour Bernoulli : on peut remplacer if grand(1,1,"bin",1,p)==1; y(k)=y(k)+1; y(k)=y(k)+(rand()<p); (puisque rand()<p est un booléen valant 1 s il est réalisé...) par Mieux encore : on peut remplacer toute la fonction Bin par l unique instruction sum(rand(n,n) < p, r )! Variante pour les coefficients binomiaux, beaucoup ( ) plus rapide et astucieuse (idée de Lionel Dorat, ECS2 n à Valence) : c = [1 cumprod((n:-1:1)./(1:n))];. est alors donné par c(k+1) (les vecteurs commençant k toujours à 1). C est cette écriture, qui tient en une ligne, que nous utiliserons par la suite. Il est également possible de se passer de la boucle for pour la distribution théorique : Seconde version ( méthode Scilabique ) : clc ;clf; n=10; N=1000; p=0.7; titre = Loi binomiale de paramètres (n= + string(n)+, p= +string(p)+ ) -.. Echantillon de taille N= + string(n); // Simulation via Bernoulli subplot(1,3,1) ; x=sum(rand(n,n) < p, r ) y=tabul(x,"i") bar(y(:,1),y(:,2)/n,width=0.2,color="b") a = get("current_axes"); a.data_bounds([3 4]) = [0 0.4]; leg("simulation via Bernoulli") // Simulation via grand subplot(1,3,2) ; x = grand(1,n,"bin", n, p); y=tabul(x,"i") bar(y(:,1),y(:,2)/n,width=0.2,color="r") a = get("current_axes"); a.data_bounds([3 4]) = [0 0.4]; leg("simulation via grand") xtitle(titre) // Distribution théorique subplot(1,3,3) ; c = [1 cumprod((n:-1:1)./(1:n))]; x=0:n y=c.*p^x.*(1-p)^(n-x) plot2d3(x, y, rect=[-0.5,0,11,0.4],style=1); xtitle("", "Valeurs de k", "P(X=k)") leg( Distribution théorique ) 13/43
16 b) Illustration du Théorème Limite Central : N=100000; n=[10,50,100] ; p=0.5 x = [-5 : 0.1 : 5]; y=exp(- (x^2) / 2)./ sqrt( 2 * %pi ); for i=1:3 z = (grand(1,n,"bin", n(i), p)-n(i)*p)/sqrt(n(i)*p*(1-p)); L=([-1:n(i)]-n(i)*p+1/2)/sqrt(n(i)*p*(1-p)); subplot(1,3,i); plot2d(x, y,style=1) histplot(l, z, rect=[-5,0,5,0.45],style=5) leg= n= +string(n(i))+ et p= +string(p) leg(leg) if i==2; xtitle("illustration du Théorème Limite Central"); 14/43
17 4) Loi de Poisson via grand a) Simulation : clc; clf; N = 10000; lambda = 3; titre= Loi de Poisson de paramètre lambda= +string(lambda)+ par grand - N= +string(n) x = grand(1,n,"poi", lambda); y=tabul(x,"i") subplot(1,2,1) plot2d3(y(:,1), y(:,2)/n, rect=[-0.5,0,10,0.3],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") subplot(1,2,2) x=0:10 y=exp(-lambda)*lambda^x./factorial(x) plot2d3(x, y, rect=[-0.5,0,10,0.3],style=5); xtitle("distribution théorique", "Valeurs de k", "P(X=k)") 15/43
18 b) Illustration du Théorème Limite Central : x = [-5 : 0.1 : 5]; y=exp(- (x^2) / 2)./ sqrt( 2 * %pi ); titre= Illustration du Théorème Limite Central - N= +string(n) N=10000;lambda=[5,50,100] for i=1:3 z = (grand(1,n,"poi", lambda(i))-lambda(i))/sqrt(lambda(i)); L=([-1:lambda(i)+3*sqrt(lambda(i))]-lambda(i)+1/2)/sqrt(lambda(i)); subplot(1,3,i); plot2d(x, y,style=2) histplot(l, z,rect=[-5,0,5,0.8], style=2*i-1) leg= lambda= +string(lambda(i)) leg(leg) if i==2 xtitle(titre); 16/43
19 5) Loi géométrique p = 0.2; N=10000; titre= Loi géométrique de paramètre p= +string(p)+ - N= +string(n) // Simulation de la loi géometrique à partir d une loi de Bernoulli subplot(1,3,1) ; timer(); x=ones(1,n) for i = 1:N while (rand() > p) // Autre possibilité : while grand(1,1,"bin",1,p)==0 x(i) = x(i)+ 1; t=timer(); y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,21,p],style=2); xtitle("", "Classes","Effectifs par classe normalisés") leg= A partir d une loi de Bernoulli - timer= +string(t); leg(leg) // Simulation de la loi géometrique avec grand subplot(1,3,2) ; timer(); x = grand(1,n,"geom", p); t=timer(); y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,21,p],style=5); xtitle(titre,"classes", "Effectifs par classe normalisés") leg= Avec grand - timer= +string(t) ; leg(leg) // Loi géométrique théorique x=1:20 y = (1-p)^(x-1) * p; subplot(1,3,3); plot2d3(x, y, rect=[-0.5,0,21,p],style=1); xtitle("", "Valeurs de k", "P(X=k)"); leg("distribution théorique") On constate que la seconde méthode est nettement plus rapide... 17/43
20 5) Loi binomiale négative p = 0.2; r=4 ; N=10000; titre= Loi binomiale négative de paramètres (r= +string(r)+, p= +string(p)+ ) - N= +string(n) // Simulation de la loi binomiale négative à partir d une loi de Bernoulli subplot(1,2,1) ; x=ones(1:n) for i = 1:N s=0; while(s<r) s=s+1; while (rand() > p) // Autre possibilité : while grand(1,1,"bin",1,p)==0 x(i) = x(i) + 1; y=tabul(x,"i") plot2d3(y(:,1), y(:,2)/n, rect=[-0.5,0,51,0.08],style=2) xtitle(titre, "Classes","Effectifs par classe normalisés") leg("a partir d une loi de Bernoulli") // Simulation de la loi binomiale négative avec grand subplot(1,2,2) ; x = grand(1,n,"nbn", r,p); y=tabul(x,"i") plot2d3(y(:,1), y(:,2)/n, rect=[-0.5,0,51,0.08],style=5) xtitle("","classes", "Effectifs par classe normalisés") leg("avec grand") 18/43
21 II - LA MÉTHODE D INVERSION A. Variables discrètes 1) Variables aléatoires finies Principe : Soit X une variable aléatoire prenant un nombre fini de valeurs {x 0,..., x n } (n N). k On note pour tout k [0, n], F k = P (X = x i ) et F 1 = 0. i=0 On définit pour tout u [0, 1], H(u) = n x i I1 [Fi 1 <u F i ]. Si U suit la loi uniforme sur [0, 1], H(U) suit la même loi que X. i=0 a) Loi de Bernoulli de paramètre p ]0, 1[ : Ici, x 0 = 0, x 1 = 1, F 0 = 1 p, F 1 = 1. if rand()<= 1-p then X=0; else X=1; ou de manière équivalente : if 1-rand()<p then X=1; else X=0; ou encore, puisque 1 U suit la loi uniforme sur [0, 1] : if rand()<p then X=1; else X=0; (choix généralement retenu pour coder une Bernoulli)... et comme un booléen, lorsqu il est vrai, vaut 1 en Scilab, on peut même se passer du if...then : rand()<p simule ainsi la loi de Bernoulli. b) Loi binomiale de paramètres (n, p), p ]0, 1[ et n N : n=10 ; p=0.5 ; titre= Loi binomiale de paramètres (n= +string(n)+, p= +string(p)+ ) c=[1 cumprod((n:-1:1)./(1:n))] k=0:n z=c.* (p^k).* (1-p)^(n-k) //Simulation via Inversion F=cumsum(z); N=1000 u=rand(1,n) [x,b]=dsearch(u,f) y=tabul(x,"i") subplot(1,2,1) ; plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,11,0.3],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Inversion ) // Distribution théorique subplot(1,2,2) ; plot2d3(0:n, z, rect=[-0.5,0,11,0.3],style=5); xtitle("", "Valeurs de k", "P(X=k)") leg( Distribution théorique ) 19/43
22 Note sur la commande dsearch : [x,b]=dsearch(u,f) crée un vecteur x tel que pour tout i [1, N ], x(i) est égal à l entier k tel que u(i) appartienne à l intervalle ]F (k), F (k+1)] et vaut 0 s il n appartient à aucun de ces intervalles. b(k) compte le nombre de composantes de x appartenant à l intervalle ]F (k), F (k + 1)] et est inutile ici - quoique indispensable en entrée dans la commande de dsearch. Cette commande est citée dans le thème 1 (statistiques descriptives univariées) des nouveaux programmes de seconde année. On peut aussi la remplacer par les lignes de code suivantes : x=zeros(1,n) for i=1:n while (u(i)> F(x(i)+1)) x(i)=x(i)+1 ; ; (Comme F(n+1)=1, il est certain que pour tout i [1, N ], la boucle while s arrête au bout d au plus n + 1 tests - et n incrémentations de x(i)). 20/43
23 c) Comparaison en termes de temps de calcul avec l algorithme ESSEC 2006 E3 : Dans le cas d une variable aléatoire X suivant une loi binomiale de paramètres (2n, 1/2), on peut effectuer le réagencement suivant : pour tout k [0, 2n], si k est pair, on pose p k = P (X = n + k/2) et si k est impair, p k = P (X = n (k + 1)/2). Alors p 0 p 1... p 2n et on effectue l algorithme de la méthode d inversion avec les effectifs cumulés des nombres p i, i [0, 2n] - qui correspondent aux valeurs X = [x 0...x 2n ] où pour tout k [0, 2n], si k est pair, x k = n + k/2 et si k est impair, x k = n (k + 1)/2. L étude théorique conclut à un nombre moyen de passages dans la boucle while de l ordre de n - contre un nombre moyen de n pour l algorithme brut. 21/43
24 n=200 ; p=0.5 ; N=10000 nu=2*n titre= Loi binomiale (2n,1/2) avec n= +string(n)+ et N= +string(n) c=[1 cumprod((nu:-1:1)./(1:nu))] k=0:nu z=c.* (p^k).* (1-p)^(nu-k) subplot(1,2,1) F=cumsum(z); x=zeros(1:n) timer(); for i=1:n; u=rand(); while (F(x(i)+1)<u ) x(i)=x(i)+1 ; t=timer(); y=tabul(x,"i") plot2d3(y(:,1), y(:,2)/n, rect=[n/2,0,n*3/2,0.06],style=2) xtitle("", "Classes", "Effectifs par classe normalisés") leg=+ via inversion simple - timer= +string(t) leg(leg) xtitle(titre) subplot(1,2,2) for k=0:nu if modulo(k,2)==0 ; w(k+1) = z(n+1+k/2); else w(k+1) = z(n+1-(k+1)/2); F=cumsum(w); timer(); for i=1:n; u=rand(); k=0; while (F(k+1)<u ) k=k+1 ; if modulo(k,2)==0 x(i)=n+k/2; else x(i)=n-(k+1)/2; t=timer(); y=tabul(x,"i") plot2d3(y(:,1), y(:,2)/n, rect=[n/2,0,n*3/2,0.06],style=5) xtitle("", "Classes", "Effectifs par classe normalisés") leg= via méthode ESSEC 2006 E3 - timer= +string(t) leg(leg) Le timer indique effectivement des temps de calcul moins longs pour n grand pour la seconde méthode. 22/43
25 2) Variables aléatoires discrètes infinies Principe : Soit X une variable aléatoire d ensemble image dénombrable X(Ω) = {x i, i N}. k On note pour tout k N, F k = P (X = x i ) et F 1 = 0. i=0 On définit pour tout u [0, 1], H(u) = + i=0 x i I1 [Fi 1 <u F i ]. Si U suit la loi uniforme sur [0, 1], H(U) suit la même loi que X. a) Loi géométrique : p=0.3; n=20; N=10000 titre= Loi géométrique de paramètre p= +string(p) z=p*(1-p)^([0:n-1]); F=cumsum(z) u=rand(1,n) [x,b]=dsearch(u,f) y=tabul(x,"i") subplot(1,2,1) ; plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,20,0.4],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Inversion ) subplot(1,2,2); // Distribution théorique plot2d3(1:n, z, rect=[-0.5,0,20,0.4],style=5); xtitle("", "Valeurs de k", "P(X=k)") leg( Distribution théorique ) 23/43
26 e) Loi de Poisson : lambda=5; N=1000; titre= Loi de Poisson de paramètre lambda= +string(lambda)+ - N= +string(n) n=20; z=exp(-lambda)*lambda^([0:n])./factorial([0:n]); // On peut aussi remplacer factorial par cumprod([1 1:n])... F=cumsum(z); u=rand(1,n) [x,b]=dsearch(u,f) y=tabul(x,"i") subplot(1,2,1) ; plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,20,0.3],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Inversion ) subplot(1,2,2) ; // Distribution théorique plot2d3(0:n, z, rect=[-0.5,0,n+1,0.3],style=5); xtitle("", "Valeurs de k", "P(X=k)") leg( Distribution théorique ) 24/43
27 B. Variables à densité Principe : si X est une variable aléatoire à densité dont la fonction de répartition F définit une bijection de ]a, b[ ( a < b + ) sur ]0, 1[ et si U suit la loi uniforme sur ]0, 1[ alors F 1 (U) suit la même loi que X. 1) Loi exponentielle de paramètre λ a) Simulation : N=10000;lambda=0.5 titre= Loi exponentielle de paramètre lambda= +string(lambda)+ - N= +string(n) x=0:0.1:10 y=lambda*exp(-lambda*x) subplot(1,2,1); z=-1/lambda*log(rand(1,n)); histplot(x, z,style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Inversion ) plot2d(x,y,rect=[0,0,8,lambda+0.1],style=1) subplot(1,2,2); // Simulation via grand t=grand(n,1,"exp",1/lambda) histplot(x, t, style=5); xtitle("", "Classes", "Effectifs par classe normalisés") leg( Simulation via grand ) plot2d(x,y,rect=[0,0,8,lambda+0.1],style=1) 25/43
28 b) Application à la simulation d une loi géométrique : L instruction floor(log(1-rand())/log(1-p))+1 ou floor(log(rand())/log(1-p))+1 permet de simuler une loi géométrique de paramètre p. p = 0.2; N=10000; titre= Loi géométrique de paramètre p= +string(p)+ - N= +string(n) // Simulation de la loi géometrique avec la méthode d inversion/loi exponentielle subplot(1,3,1) ; timer(); x = floor(log(rand(1,n))/log(1-p))+1; t=timer(); y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,21,p],style=2); xtitle("", "Classes","Effectifs par classe normalisés") leg= Avec une loi exponentielle:inversion - timer= +string(t); leg(leg) // Simulation de la loi géometrique avec grand subplot(1,3,2) ; timer(); x = grand(1,n,"geom", p); t=timer(); y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,21,p],style=5); xtitle(titre,"classes", "Effectifs par classe normalisés") leg= Avec grand - timer= +string(t) ; leg(leg) // Loi géométrique théorique x=1:20 y = (1-p)^(x-1) * p; subplot(1,3,3); plot2d3(x, y, rect=[-0.5,0,21,p],style=1); xtitle("", "Valeurs de k", "P(X=k)"); leg("distribution théorique") 26/43
29 c) Application à la simulation d une loi de Poisson : Un résultat classique (voir par exemple Oral ESCP 2008 ex. 3.5) et basé la méthode d inversion appliquée aux lois exponentielles montre que si (U n ) n N est une suite de variables aléatoires mutuellement indépantes suivant toutes la loi uniforme sur ]0, 1] alors la variable aléatoire X définie pour tout ω Ω par { 0 si U1 (ω) < e λ X(ω) = min{n N suit une loi de Poisson de paramètre λ. : U 1 (ω)...u n+1 (ω) < e λ } sinon D où le code suivant pour simuler une variable aléatoire suivant une loi de Poisson de paramètre λ (on compare en termes de temps à la méthode d inversion directe ) : lambda=7; n=20; N=1000 titre= Loi de Poisson de paramètre lambda= +string(lambda) subplot(1,2,1) ; z=exp(-lambda)*lambda^([0:n])./factorial([0:n]) F=cumsum(z); u=rand(1,n) [x,b]=dsearch(u,f) y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,20,0.3],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Inversion ) subplot(1,2,2) ; for i=1:n u=rand(); x(i)=0; while (u>=exp(-lambda)) u=u*rand() ; x(i)=x(i)+1; y=tabul(x,"i") plot2d3(y(:,1),y(:,2)/n, rect=[-0.5,0,20,0.3],style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") leg( Simulation via Exponentielle ) 27/43
30 2) Loi de Laplace (standard) x=-10:0.1:10 y=exp(-abs(x))/2; N=10000; u=rand(1,n); z=log(2*u).*(u<1/2)-log(2*(1-u)).*(u>=1/2) subplot(1,2,1); histplot(x, z,style=2) xtitle("", "Classes", "Effectifs par classe normalisés") leg= Laplace via Inversion - N= +string(n) leg(leg) plot2d(x,y,rect=[-8,0,8,0.6],style=1) // Simulation via la différence de deux exponentielles de paramètre 1 indépantes subplot(1,2,2); t=grand(n,1,"exp",1)-grand(n,1,"exp",1) histplot(x, t,style=5); xtitle("", "Classes", "Effectifs par classe normalisés") leg= Laplace via X-Y - N= +string(n) leg(leg) plot2d(x,y,rect=[-8,0,8,0.6],style=1) 28/43
31 3) Loi logistique (standard) clf;clc x=-10:0.1:10 y=1./((exp(x/2)+exp(-x/2))^2); N=10000; u=rand(1,n); z=log(u./(1-u)) histplot(x, z, style=2) xtitle("loi logistique via Inversion", "Classes", "Effectifs par classe normalisés") plot2d(x,y,rect=[-11,0,11,0.3],style=5) 29/43
32 4) Loi de Pareto (générale) X suit une loi de Pareto de paramètres (α, a, x 0 ) (R +) 2 R si X admet comme densité f : x α ( ) a α+1 I1 a x x [x0+a,+ [. 0 [ ( ) a α ] X admet alors comme fonction de répartition F : x 1 I1 x x [x0 +a,+ [, d où le code : 0 clf;clc alpha=3 a=2 x0=1 titre= Simulation de la loi de Pareto de paramètres (alpha= +string(alpha)+, a= +string(a).. +,x0= +string(x0)+ ) via inversion x=2.5:0.1:12 y=alpha*a^alpha./(x-x0)^(alpha+1); N=10000; u=rand(1,n); z=a*(1-u)^(-1/alpha)+x0 histplot(x, z, style=2) xtitle(titre, "Classes", "Effectifs par classe normalisés") plot2d(x,y,rect=[2.5,0,12,1],style=5) 30/43
33 5) Loi de Cauchy (standard) a) Simulation : clf;clc x=-10:0.1:10 y=1/%pi./(1+x^2) N=10000; z=tan(%pi*(rand(1,n)-1/2)) plot2d(x,y,rect=[-11,0,11,0.4],style=5) histplot(x, z, style=2) xtitle("cauchy via Inversion", "Classes", "Effectifs par classe normalisés") leg("courbe théorique") b) Mise en évidence de la non existence de l espérance : On peut par exemple proposer le code suivant : clc;clf; N=100;n=20 z=tan(%pi*(rand(n,n)-1/2)) disp(mean(z, c )) y=tabul(mean(z, c ), i ) bar(y(:,1),y(:,2)/n,color="r") 31/43
34 III - LA MÉTHODE DU REJET A. Introduction : simulation d une loi uniforme sur le disque unité Le résultat théorique à la base de la méthode du rejet est que si (W n ) n N est une suite de variables aléatoires mutuellement indépantes suivant une loi uniforme sur une partie A de R 2 d aire finie non nulle et que B A (B également d aire non nulle), alors en définissant N = inf{n N : W n B}, W N suit une loi uniforme sur B. On remarque que la génération de W N nécessite un nombre d itérations suivant une loi géométrique. Ainsi, pour simuler une variable suivant une loi uniforme sur le disque unité : i=1 for n=[500,800,1000] subplot(1,3,i) titre= Uniforme sur disque via rejet, n= +string(n)+ tirages u=ones(1,n);v=ones(1,n) for k=1:n while (u(k)^2+v(k)^2>1) u(k)=2*rand()-1; v(k)=2*rand()-1; plot(u,v,"d") xtitle(titre) a = gca(); a.isoview = "on"; i=i+1 32/43
35 Remarque : on pourrait être tenté, pour simuler une loi uniforme sur le disque, de tirer au hasard un angle entre 0 et 2π : angle=2%pi*rand() et un rayon également uniformément entre 0 et 1 : rayon=rand() mais on constate alors que le centre est nettement favorisé! C est normal : il faut en fait prre r = U où U [0, 1]... D où le code suivant : n=800 subplot(1,2,1) rayon=rand(1,n);angle=2*%pi*rand(1,n); x=rayon.*cos(angle); y=rayon.*sin(angle); plot(x,y,"d") leg( Uniforme sur disque tentative 1 (la mauvaise) ) a = gca(); a.isoview = "on"; subplot(1,2,2) rayon=sqrt(rand(1,n));angle=2*%pi*rand(1,n); x=rayon.*cos(angle); y=rayon.*sin(angle); plot(x,y,"d") leg( Uniforme sur disque tentative 2 (la bonne) ) a = gca(); a.isoview = "on"; 33/43
36 B. Cas d une densité à support compact et majorée Hypothèses : Soit X une variable aléatoire réelle admettant une densité f telle que : f est nulle est dehors d un segment [c, d], c < d M R + : x [c, d], f(x) M. Le rectangle A délimité par les points (c, 0), (d, 0), (d, M) et (c, M) est d aire M(d c). La partie B correspondant à la zone sous la courbe de f entre les points d abscisses c et d est d aire 1. Pour tout x [c, d], P (X x) est donnée par l aire de la partie C x correspondant à la zone sous la courbe de f entre les points d abscisses c et x. Soit alors une suite de variables (W n ) n N = (U n, V n ) n N suivant une loi uniforme sur ce rectangle : il suffit de prre pour tout n N, Un=c+(d-c)*rand(); et Vn=M*rand();. Si on pose N = inf{n N : W n B} = inf{n N : V n f(u n )}, alors U N suit la loi de X. En effet : (U N, V N ) suivant une loi uniforme sur B, pour tout x [c, d], P (U N x) = P ((U N, V N ) C x ) = Aire de C x P (X x) = = P (X x). Aire de B 1 Un peu plus généralement : on peut considérer que f est non exactement une densité, mais de la forme Kg où g est une densité de probabilité et K une constante strictement positive (cela peut s avérer pratique pour certaines lois...). La partie B est alors d aire K et C x d aire KP (X x) : le résultat demeure donc, la constante disparaissant par quotient... Remarque : En pratique, mieux vaut évidemment prre M le plus petit possible! 1) Exemple : loi beta de paramètres (a, b) [1, + [ 2 via la méthode du rejet Une densité pour cette loi est x 1 β(a, b) xa 1 (1 x) b 1 I1 ]0,1[ où β(a, b) = 1 0 x a 1 (1 x) b 1 dx. Le calcul de β(a, b) n est pas nécessaire, puisqu il va disparaître par quotient : il suffit donc d effectuer la méthode du rejet avec f : x x a 1 (1 x) b 1 et [c, d] = [0, 1]. Avec les notations précédentes, l aire de la partie B est alors β(a, b) et celle de la partie C x est β(a, b)p (X x). Lorsque (a, b) [1, + [ 2, f est majorée sur [0, 1] et une simple étude de fonction montre que f atteint son maximum en x = a 1 ( ) a 1. On peut alors prre M = f. a + b 2 a + b 2 Remarque : lorsque a et b sont entiers, il est possible de prre directement f : x 1 β(a, b) xa 1 (1 x) b 1 puisqu on a alors 1 β(a, b) = (a + b 1)! (a 1)!(b 1)! = a a en Scilab via le code (inspiré de l idée de L.Dorat pour la binomiale [p13]) k=1 a + b k, ce que l on peut facilement implémenter k deff( y=f(x,a,b), y=x^(a-1).*(1-x)^(b-1)*a*prod((a+b-[1:a])./[1:a]) ) 34/43
37 a=1.7;b=2.5; deff( y=f(x,a,b), y=x^(a-1).*(1-x)^(b-1) ) x=0:0.01:1 M=f((a-1)/(a+b-2),a,b) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) N=[1000,50000] T=[1 2;3 4] for i=1:2//taille N for j = 1:2 // méthode de simulation if j==1 u=ones(1,n(i));v=ones(1,n(i)); timer(); for k=1:n(i) while (v(k)>f(u(k),a,b)) u(k)=rand(); v(k)=m*rand(); t=timer(); leg= via rejet - N= +string(n(i))+ - timer= +string(t) c=2 else timer(); u=grand(1,n(i),"bet",a,b) t=timer(); leg= via grand - N= +string(n(i))+ - timer= +string(t) c=5 subplot(2,2,t(i,j)) histplot(x,u,style=c,rect=[0,0,1,2.5]) leg(leg) if i*j==1; xtitle(titre); 35/43
38 2) Quelques autres méthodes de simulation de la loi beta a) Via l algorithme de Jönk : Principe : soit (U n ) n N et (V n ) n N deux suites de variables aléatoires mutuellement indépantes et suivant toutes la loi uniforme sur ]0, 1]. On note N = inf{n N : Un 1/a + Vn 1/b 1}. U 1/a N Alors U 1/a N + V 1/b suit une loi beta de paramètres (a, b). N Avantage : marche dans le cas où les densités n admettent pas de majorant (a ]0, 1[ ou b ]0, 1[). a=0.7; b=0.4; N=10000 x=0:0.01:1 subplot(1,2,1) timer(); for i=1:n u=rand();v=rand(); while (u^(1/a)+v^(1/b)>1) u=rand(); v=rand(); y(i)=u^(1/a)/(u^(1/a)+v^(1/b)) t=timer(); histplot(x,y,rect=[0,0,1,4],style=2) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) via Jönk - N= +string(n)+.. - timer= +string(t) xtitle(titre) subplot(1,2,2) timer(); s=grand(1,n,"bet",a,b) t=timer(); histplot(x,s,rect=[0,0,1,4],style=5) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) via grand - N= +string(n)+.. - timer= +string(t) xtitle(titre) 36/43
39 b) Via les statistiques d ordre : Un résultat classique montre que si U 1,..., U n sont n variables aléatoires mutuellement indépantes suivant toutes la loi uniforme sur [0, 1] alors en notant (X 1,..., X n ) la statistique d ordre associée à (U 1,..., U n ), pour tout k [1, n], X k suit la loi beta de paramètres (k, n k + 1). D où le code (pour simuler une loi beta de paramètres entiers strictements positifs ; on compare à grand et à la courbe théorique, facile à tracer dans ce cas) : a=2//(=k) b=5//(=n-k+1) N=10000; deff( y=f(x,a,b), y=x^(a-1).*(1-x)^(b-1)*a*prod((a+b-[1:a])./[1:a]) ) x=0:0.01:1 y=f(x,a,b) subplot(1,2,1) u=rand(b+a-1,n) z=gsort(u, r, i ) plot2d(x,y,rect=[0,0,1,m+0.2]) histplot(x,z(a,:),style=2) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) via stats d ordre.. - N= +string(n) xtitle(titre) subplot(1,2,2) s=grand(1,n,"bet",a,b) plot2d(x,y,rect=[0,0,1,m+0.2]) histplot(x,s,style=5) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) via grand - N= +string(n) xtitle(titre) 37/43
40 c) Via un résultat de convergence - ESSEC 2004 E3 : Principe : Soit N+1 urnes U 0,..., U N telles que pour tout k [0, N ], l urne U k contient une proportion de k boules rouges. On choisit une urne au hasard et on y effectue n tirages successifs avec remise. N On note R le nombre de boules rouges obtenues au cours des n tirages. et Y N la proportion de boules rouges dans l urne qui a été choisie. Alors la loi conditionnelle de la suite de variables aléatoires (Y N ) N N sachant [R = r] converge vers la loi beta de paramètres (r + 1, n r + 1). a=3//(=r+1) d où r=a-1 b=5//(=n-r+1) d où n=b+a-2 deff( y=f(x,a,b), y=x^(a-1).*(1-x)^(b-1)*a*prod((a+b-[1:a])./[1:a]) ) x=0:0.01:1 y=f(x,a,b) M=f((a-1)/(a+b-2),a,b) N=10000; z=zeros(1,n); nb_urnes=100 for i=1:n R=0 while (R<>a-1) z(i)=grand(1,1,"uin",0,nb_urnes)/nb_urnes; R=sum(rand(1,b+a-2)<z(i), c ); subplot(1,2,1) histplot(x,z,style=2) leg= Via ESSEC 2004 E3 - +string(nb_urnes)+ urnes leg(leg) plot2d(x,y,rect=[0,0,1,m+0.2],style=1) titre= Loi beta de paramètres (a= +string(a)+,b= +string(b)+ ) - N= +string(n) xtitle(titre) subplot(1,2,2) s=grand(1,n,"bet",a,b) histplot(x,s,style=5) leg( Via grand ) plot2d(x,y,rect=[0,0,1,m+0.2],style=1) 38/43
41 C. Extension aux densités à support non compact Principe : Pour simuler une variable aléatoire X de densité f, on cherche a [1, + [ et une densité g telles que f ag sur R. Alors si (U n ) n N est une suite de variables aléatoires indépantes de densité g, (V n ) n N une suite de variables aléatoires telle que pour tout n N, V n suit une loi uniforme sur [0, ag(u n )], et N est définie par N = inf{n N : V n f(u n )}, U N suit la loi de X. 1) Application à la simulation de la loi normale via la loi de Laplace Pour tout x R, ϕ(x) = 1 2e e x2 /2 g(x) où g est la densité usuelle de la loi de Laplace standard. 2π π clc ;clf;funcprot(0); deff( y=f(x), y= exp(-(x^2)/2) / sqrt(2*%pi) ); deff( y=g(x), y=exp(-abs(x))/2 ) x = [-5 : 0.1 : 5]; y = f(x) N=10000; subplot(1,2,1); u=zeros(1,n); v=ones(1,n) for i=1:n while v(i)>f(u(i)) a=rand() u(i)=log(2*a).*(a<1/2)-log(2*(1-a)).*(a>=1/2) v(i)=g(u(i))*rand()*sqrt(2*%e*%pi) histplot(x, u,rect=[-5,0,5,0.45],style=2) leg( Via la méthode du rejet ) titre= Simulation de loi normale - N= +string(n) xtitle(titre) plot2d(x, y,style=1) subplot(1,2,2); z = grand(1,n,"nor", 0, 1); histplot(x, z,rect=[-5,0,5,0.45],style=5) leg( Via grand ) plot2d(x, y,style=1) 39/43
42 2) Application à la simulation des lois Gamma Principe : Si on sait simuler une variable aléatoire X suivant la loi Gamma de paramètres (1, ν), ν > 0 alors pour tout b > 0, bx suit la loi Gamma de paramètres (b, ν) : il suffit donc de savoir simuler les lois Gamma de paramètres (1, ν), ν > 0. ν De plus, si on sait simuler les lois Gamma de paramètres (1, a), a ]0, 1[ alors pour tout ν > 0, a = ν + 1 est dans ]0, 1[ et si X 1,..., X ν +1 sont des variables mutuellement indépantes suivant toutes la loi Gamma de paramètres (1, a), alors leur somme suit la loi Gamma de paramètres (1, ( ν + 1)a = ν) : il suffit donc de savoir simuler les lois Gamma de paramètres (1, a), a ]0, 1[. Soit a ]0, 1[ et soit f alors en posant b = e a + e, telle que, sur R, f Soit G : x x : x xa 1 e x I1 Γ(a) ]0,+ [ (x) une densité de la loi Gamma de paramètres (1, a), g abγ(a). g : x ab ( x a 1 I1 ]0,1[ (x) + e x I1 [1,+ [ (x) ) est une densité de probabilité g la fonction de répartition liée à g. G définit une bijection de R + sur ]0, 1[ et pour tout x R, G(x) = bx a I1 ]0,1[ (x) + (1 abe x )I1 [1,+ [ (x) d où pour tout u ]0, 1[, ( u ) ( ) 1/a 1 u G 1 (u) = I1]0,b[ (u) ln I1 b ab [b,1[ (u). Soit alors pour tout x > 0, q(x) = abγ(a)f(x) = e x I1 g(x) ]0,1[ (x) + x a 1 I1 [1,+ [ (x). Si (U n ) n N et (V n ) n N sont deux suites de variables aléatoires mutuellement indépantes suivant toutes la loi uniforme sur ]0, 1[, on définit N = inf{n N : V n q(g 1 (U n ))}. Alors X = G 1 (U N ) suit la loi Gamma de paramètres (1, a). a=0.7 ; b=%e/(a+%e);n=10000 x=0:0.1:5 deff( y=q(x,a), y=exp(-x)*(x<1)+x^(a-1)*(x>=1) ) deff( y=h(u,a,b), y=(u/b)^(1/a).*(u<b)-log((1-u)/a/b).*(u>=b) ) subplot(1,2,1) v=2*ones(1,n); z=ones(1,n) for i=1:n while(v(i)>q(z(i),a)) z(i)=h(rand(),a,b); v(i)=rand(); histplot(x,z,style=2) titre= Loi gamma de paramètres (1,a= +string(a)+ ) via rejet - N= +string(n) xtitle(titre) subplot(1,2,2) s=grand(1,n,"gam",a,1) histplot(x,s,style=5) titre= Loi gamma de paramètres (1,a= +string(a)+ ) via grand - N= +string(n) xtitle(titre) 40/43
43 3) Application : loi du χ 2 à n degrés de liberté via différentes méthodes (Comparaison avec la simulation via grand) a) Par la méthode du rejet : Pour simuler une variable suivant la loi du χ 2 à n N degrés de liberté, il faut simuler la loi Gamma de paramètres (2, n/2) : c est la somme de n variables aléatoires indépantes suivant la loi Gamma de paramètres (2, 1/2). b) Par la loi normale : Classiquement, la somme de n carrés de variables indépantes suivant toutes la loi normale centrée réduite suit une loi du χ 2 à n N degrés de liberté. c) Par un résultat de convergence : (Voir par exemple HEC 1999, voies E et S). [ j 1 On décompose l intervalle [0, 1[ en p N intervalles I j = p, j [ (j [1, p]). Soit alors (U 1,..., U k ) p k N variables aléatoires indépantes et suivant la loi uniforme sur [0, 1[. Pour tout j [1, p] et tout ( ) 2 p ν j k p ω Ω, on note ν j (ω) = card {i [1, k ] : U i (ω) I j } et on pose Z k =. L étude théorique montre que la suite (Z k ) k N j=1 converge en loi vers la loi du χ 2 à p 1 degrés de liberté. k p 41/43
44 a=0.5 ; b=%e/(a+%e); n=30; r=n/2; N=5000 titre= chi-2 à n= +string(n)+ degrés de liberté - N= +string(n) deff( y=q(x,a), y=exp(-x)*(x<1)+x^(a-1)*(x>=1) ) deff( y=h(u,a,b), y=(u/b)^(1/a).*(u<b)-log((1-u)/a/b).*(u>=b) ) x=0:0.5:80 deff( y=f(x,r), y=1/factorial(14)*(1/2)^(r)*x^(r-1).*exp(-x/2) ) chi2=f(x,r) subplot(2,2,1) timer(); v=2*ones(n,n); y=ones(n,n) for i=1:n for j=1:n while(v(i,j)>q(y(i,j),a)) y(i,j)=h(rand(),a,b);v(i,j)=rand(); z=2*sum(y, r ) t=timer(); histplot(x,z,style=2,rect=[0,0,80,0.07]) leg= via rejet - timer= +string(t) leg(leg) plot2d(x,chi2,style=1) xtitle(titre) subplot(2,2,2) timer(); s=grand(n,n,"nor",0,1) z=sum(s.^2, r ) t=timer(); histplot(x,z,style=5,rect=[0,0,80,0.07]) leg= via somme de carrés de normales (0,1) - timer= +string(t) leg(leg) plot2d(x,chi2,style=1) subplot(2,2,3) k=10000; p=n+1; q=k/p ; I=linspace(0,1,p+1) timer(); for i=1:n u=rand(1,k) [a,nu]=dsearch(u,i) z(i)=sum((nu-q)^2/q) t=timer(); histplot(x,z, style=3,rect=[0,0,80,0.07]); leg= via convergence - timer= +string(t) leg(leg) plot2d(x,chi2,style=1) subplot(2,2,4) timer(); s=grand(1,n,"chi",n) t=timer(); histplot(x,s,style=1,rect=[0,0,80,0.07]) leg= via grand - timer= +string(t) leg(leg) plot2d(x,chi2,style=1) 42/43
45 43/43
Simulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailhttp://cermics.enpc.fr/scilab
scilab à l École des Ponts ParisTech http://cermics.enpc.fr/scilab Introduction à Scilab Graphiques, fonctions Scilab, programmation, saisie de données Jean-Philippe Chancelier & Michel De Lara cermics,
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailCalcul Formel et Numérique, Partie I
Calcul Formel et Numérique N.Vandenberghe nvdb@irphe.univ-mrs.fr Table des matières 1 Introduction à Matlab 2 1.1 Quelques généralités.......................... 2 2 Où trouver des informations 2 3 Opérations
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détail# let rec concat l1 l2 = match l1 with [] -> l2 x::l 1 -> x::(concat l 1 l2);; val concat : a list -> a list -> a list = <fun>
94 Programmation en OCaml 5.4.8. Concaténation de deux listes Définissons maintenant la fonction concat qui met bout à bout deux listes. Ainsi, si l1 et l2 sont deux listes quelconques, concat l1 l2 constitue
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détail16 Chapitre 16. Autour des générateurs pseudoaléatoires
Chapitre 16 Chapitre 16. Autour des générateurs pseudoaléatoires Hasard et informatique peuvent paraître antinomiques. Car enfin, comment le circuit imprimé d un ordinateur ou d une calculatrice, parfaitement
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailL ALGORITHMIQUE. Algorithme
L ALGORITHMIQUE Inspirée par l informatique, cette démarche permet de résoudre beaucoup de problèmes. Quelques algorithmes ont été vus en 3 ième et cette année, au cours de leçons, nous verrons quelques
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailÉPREUVE COMMUNE DE TIPE 2008 - Partie D
ÉPREUVE COMMUNE DE TIPE 2008 - Partie D TITRE : Les Fonctions de Hachage Temps de préparation :.. 2 h 15 minutes Temps de présentation devant le jury :.10 minutes Entretien avec le jury :..10 minutes GUIDE
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détail